Меню Рубрики

Системы машинного зрения для контроля производственных процессов

Компания «ЭйСиЭс» занимается внедрением машинного зрения (технического зрения), подбором оборудования под задачу и продажей камер Sick, Omron, Banner Engineering для различных областей.

Если вы часто сталкиваетесь с проблемами: возврат товара по причине не соответствия качеству и ассортименту, нарушена его комплектность или хотите увеличить производительность производства, освободить людей от монотоной работы, сократить расходы:

Оформите заказ на систему технического зрения позвонив по телефону +7 (812) 432-38-38, или написав письмо по электронной почте sales@acs-spb.ru. В заявке необходимо подробно описать задачу (приложить фотографии, указать производительность, желаемые способы отбраковки, возможные места установки и т.д.)

Внедрение систем на базе технического зрения от компании ООО «ЭйСиЭс» даёт:

  • Быструю окупаемость — от 3 месяцев
  • Сокращение расходов на производство- за счёт сокращения рабочих мест, испорченного сырья при своевременном обнаружении брака
  • Автоматизация технологических операций, процессов
  • Повышение производительности работы предприятия-за счёт увеличение скорости выпуска готовой продукции
  • Улучшение качества выпускаемой продукции- за счёт уменьшения контакта персонала с продуктом
  • Контроль 100% продукци и оптимизация качества продукции- позволяет планировать и вовремя выявлять проблемные места
  • Консультации по выбору оборудования для систем технического зрения с учетом специфики объектов контроля и производственного процесса;
  • Поставка и монтажом систем технического зрения, пуско-наладка, интеграция систем технического зрения в производственный процесс;
  • Тренинги производственного персонала по работе с системами технического зрения;
  • Техподдержка клиентов по всем вопросам эксплуатации систем технического зрения.
  • Управление производственными роботами на конвейерах;
  • Инспекция поверхностей;
  • Проверка наличия/отсутствия объектов в зоне контроля;
  • Оптическое считывание текста (OCR/OCV) на изделиях и упаковке;
  • Считывание штрих-кодов (1D, 2D);
  • Отбраковка изделий;
  • Проверка качества упаковки;
  • Проверка целостности изделий;
  • Проверка качества сборки изделий;
  • и т.д.
  • Продукты питания и напитки;
  • Автомобилестроение;
  • Пластмассовые изделия;
  • Логистика и др;
  • Электронная продукция;
  • Наземный транспорт;
  • Фармацевтика;
  • Потребительские товары;
  • Бумажная промышленность;
  • Авиационно-космическая отрасль;
  • Металлургия.
  1. Разработана и внедренна система видеоконтроля качества флаконов на производственной линии компании ООО «Юнилевер Русь» (Unilever Rus), осуществляющая контроль наличия этикеток и их сдвига по соответствующему шаблону, управление устройством отбраковки и обмена информацией с верхним уровнем. Кол-во камера 36. Производитель Banner Engineering
  2. Разработана Система видеоконтроля качества жевательных конфет и леденцов и установлена на фасовочных линиях по заказу компании ООО «Ригли» (Wrigley), которая позволяет осуществлять полный контроль качества выпускаемых жевательных конфет, леденцов, оберточных упаковок.
  3. Разработана и внедренна система видеоконтроля качества продукта на производственной линии компании ОАО «Хенкель-ЭРА»), осуществляющая контроль наличия этикеток и их сдвига ,верификации штрих кода с соответствующим выпускаемым продуктом.
  4. Разработана и внедренна система видеоконтроля качества на производственной линии компании ООО «ОПХ» (Heineken), осуществляющая контроль наличия нанесения даты на дно пивной банки, управление устройством отбраковки.
  5. Разработана и внедренна система видеоконтроля на производственной линии компанииООО «Вертекс», осуществляющая контроль нанесения даты. Управление устройством отбраковки и обмена информацией с верхним уровнем Кол-во камер 5. Производитель Banner Engineering
  6. Разработанная и внедренная система видеоконтроля на производственной линии компании ООО » ООО «Мон’дэлис Русь» « (Kraft foods), осуществляющая контроль положения кофейных крышек на линии по соответствующему шаблону.
  7. Разработана и внедренна система видеоконтроля на производственной линии компании ООО «Вейнер Пластик» (Weener), осуществляющая контроль наличия вкладки в крышку и их сдвига по соответствующему шаблону, управление устройством отбраковки .
  8. Разработанная и внедренная система видеоконтроля на блистерной машинеООО «Уральский центр биофармацевтических технологий» осуществляющая контроль наличия таблеток и капсул, их целостности по соответствующему шаблону.
  9. Поставка системы для контроля наличия акцизной марки на первичную упаковку и отбраковку упаковки без марки, 75 – 300 упаковок в минуту в зависимости от линии и продукта. Кол-во камер 4 шт.Производитель OMRON. ООО «Якобс Рус»
  10. Поставка системы контроля этикеток с помощью верификации 2D кода , 75 – 300 упаковок в минуту в зависимости от линии и продукта. Кол-во камер 6 шт.Производитель Banner Engineering. ООО «Интерфилл»

Инспекция предохранителей с помощью машиннго зрения

Инспекция блока предохранителей определяет наличие всех предохранителей и присутствие их в правильных местах блока предохранителей.

Инспекция свечей зажигания с помощью технического зрения

Инспекции определяет ширину основания свечи зажигания и зазор между электродами

Инспекция микросхем с помощью машиннго зрения

Проверка присутствия компонентов в нужном месте.

Инспекция контактов с помощью машиннго зрения

Проверка ПИН ориентации штырьков разъема. Применяется поиск каждого края ПИН в трех различных местах и вычисления угла, образованного этими точками для определения ПИН ориентации.

Инспекции древесина с помощью машиннго зрения

Проверка досок на структурные дефекты

Инспекция блистерной упаковки с помощью машиннго зрения

Инспекция блистерной упаковки на правильное количество и тип таблетки. Проверка поисходит посредством определения количества таблеток в упаковке и цвет каждой таблетке. Площадь поверхности всех таблеток в пачке должно быть не менее 50% зеленый.

Инспекции кронштейнов с помощью технического зрения

Проверяется соответствие скобки согласно спецификации. Для этого вычисляется расстояние между отверстиями кронштейна и рассчитывается угол наклона кронштейна.

Проверка штрих-кода и нанесение даты на продукт с помощью технического зрения

Контроль наненсения даты на продукт с помощью технического зрения.

Контроль наличия и читаемости штрихкода нанесенного на продукт с помощью машинного зрения (технического зрения)

Это может гарантировать, что штрих-код нанесен достаточно качественно. Следовательно, он читаем другими устройствами в ходе технологического процесса, хранения, учета и транспортировки товара. Камера также читает линейный и 2-D коды в соответствующих задачах, включая проверку содержимого для фармацевтики или косметики, а также контроль сборки автомобиля на конвейере и проверка соответствия сборочных элементов.

  • Точная штамповка металлических деталей – контроль качества продукта
  • Подсчет мелких металлических деталей и проверка их местоположения при сборке
  • Этикетировка, маркировка, нанесение штрих-кода – подтверждение правильности расположения наклейки
  • Проверка правильного расположения печатной платы на конвейере при монтаже полупроводниковых приборов.
  • Розлив – подтверждение наличия крышки и необходимого уровня заполнения в бутылках.
  • Контроль наличия бутылок, бидонов в задачах розлива и упаковки.
  • Определение сколов на стеклянных бутылках и пузырьках.
  • Подсчет предметов в упаковке – конфеты, таблетки, флаконы, и т.д.
  • Проверка соответствия количества отверстий и качества перфорации в задачах штамповки металла.
  • Подтверждение того, что продукция правильно сориентирована при манипуляциях робота на конвейере, в случае автоматической подачи продукции.
  • Контроль наличия и расположения всех скоб, болтов и гаек при отделке и окончательной сборке автомобилей.
  • Контроль печеных, хлебобулочных изделий на предмет неравномерного поджаривания.
  • Сортировка предметов по их размеру.

Машинное или техническое зрение – это подраздел инженерии, связанный с промышленной автоматизацией.

Наиболее частое применение машинного зрения — это автоматизированная инспекция продукции с целью поиска дефектов, подсчета объектов, считывания штрих кодов и серийных номеров, контроль комплектации, измерение размеров объектов, сопоставление шаблонов, контроль цвета и т.д.

Преимущества данного вида автоматизации связаны с исключением человеческого фактора из работы производства.

  1. увеличение качества, объема, скорости производства;
  2. установка точности проверяемых параметров;
  3. увеличение объема обработанной и проанализированной информации;
  4. возможность круглосуточной работы.

Принцип работы заключается в следующем: при прохождении объекта по ленте, датчик обнаруживает объект, запускает промышленную видеокамеру, которая фотографирует и формирует изображение объекта. Далее изображение поступает в устройство распознания образов, которое считывает изображения и анализирует полученную информацию (контроль цвета, контроль дефектов, контроль комплектации, считываение штрих кода и т.д.). Проанализированная информация поступает в центр, где формируется отчет и принимаются дальнейшие решения: объект учтен, отвечает требованиям, содержит определенную информацию на штрих коде, полностью укомплектован и т.д. Далее объект поступает на привод для дальнейшей сортировки или отбрасывания отбракованных изделий.

Области применения машинного (технического) зрения:

  • Любое промышленное производство;
  • Логистика;
  • Безопасность на производстве;
  • Контроль предварительно изготовленных объектов (например, контроль качества, исследование допущенных ошибок)
  • Системы визуального контроля и управления (учет, считывание штрих-кодов)
  • Контроль автоматизированных транспортных средств
  • Контроль качества и инспекция продуктов питания.

источник

Люди часто не вполне точно представляют, на что способно и чего не может сделать машинное зрение в составе производственной линии и в процессе изготовления продукции. Знание того, как действует эта технология, поможет вам определить, насколько полезной она окажется в решении проблем узких мест в конкретном технологическом и производственном процессе. Так что же представляет собой машинное зрение и как оно работает?

Если говорить в общем, машинное зрение — это применение одной или нескольких видеокамер в промышленной среде для автоматического анализа и проверки объектов производства на соответствие тем или иным требованиям. Полученные таким способом данные могут быть впоследствии использованы для управления производственным или технологическим процессом или в системе управления деятельностью предприятия. Одна из типичных областей применения систем машинного зрения — в составе конвейера. Здесь автоматически, после выполнения какой-либо операции над деталью, включается камера для захвата и обработки изображения интересующего объекта. Камера может быть запрограммирована для проверки положения чего-либо, в частности установленной детали, а также цвета, размера или формы объекта, а кроме того, сможет определить наличие или отсутствие самого объекта в зоне обзора. Система машинного зрения также может просматривать и расшифровывать стандартный или двумерный матричный штрихкод и считывать напечатанные специальные символы.

После проверки изделия обычно генерируется сигнал, позволяющий принять решение о дальнейших действиях. При отслеживании результатов проверки через систему деталь может быть забракована и сброшена в контейнер для изоляции брака, или направлена на отводящий конвейер, или передана для выполнения дополнительных сборочных операций. В любом случае, системы машинного зрения могут предоставить гораздо больше информации об объекте, чем простые датчики его отсутствия/присутствия.

Типичные области применения машинного зрения включают:

  • контроль качества;
  • управление роботом/машиной, станком или инструментом;
  • тестирование и калибровку;
  • управление производственным или технологическим процессом в режиме реального времени;
  • сбор информации;
  • мониторинг оборудования;
  • сортировку/подсчет объектов.

Многие изготовители серийной продукции используют автоматическое машинное зрение вместо сотрудников службы контроля качества (отдела технического контроля), потому что оно предпочтительнее для решения монотонных повторяющихся задач. Эти системы работают быстрее, объективнее и, главное — непрерывно, без снижения производительности. Системы машинного зрения могут проверять сотни или даже тысячи деталей в минуту и обеспечивают более последовательные и надежные результаты проверки, чем при работе человека.

Сокращая количество дефектов, увеличивая объем выпуска качественной продукции и облегчая соблюдение правил контроля через отслеживание деталей с помощью машинного зрения, производители конечной продукции могут сэкономить расходы и повысить свою рентабельность, увеличив прибыль.

Одним из основных датчиков в системах промышленной автоматизации является фотоэлемент с дискретным откликом. Причина, по которой мы называем его «дискретным» (иногда его именуют «цифровым», что не совсем корректно), заключается в том, что он имеет только два состояния: «включено» или «выключено» (рис. 1).

Рис. 1. Дискретный фотоэлектрический датчик, работающий на отражение, сообщает, измерено ли заданное значение (характеристика), идентифицирующее объект

Основная идея фотоэлемента, работающего на отражение, состоит в том, что он испускает луч света и определяет, отражается ли этот свет от какого-либо объекта. Если объект отсутствует, свет обратно в приемник фотоэлемента, естественно, не отражается. К приемнику подведено электрическое напряжение — как правило, это обычно стандартные для индустрии средств промышленной автоматизации 24 В. Если объект присутствует, то выход приемника активируется (включается), и сигнал может быть использован в системе управления, чтобы произошло то или иное заданное событие (отклик). Если объект вышел из зоны контроля датчика, приемник снова деактивируется (его выход выключается).

Фотоэлемент, работающий на отражение, может быть как с дискретным откликом, так и с аналоговым. Данный элемент не только имеет два состояния — «выключено» и «включено», но и дает на выходе число, показывающее, сколько света возвращается в приемник после отражения. Фотоэлемент (рис. 2) может содержать до 256 градаций (условных значений или единиц). При этом значение 0 означает отсутствие отражения света, то есть наличие темного или черного, а 255 — большое отражение света или наличие белого. Фотодатчик, расположенный с левой стороны (рис. 2), показывает значение 76 единиц или темно-серый оттенок. Это примерно 30% от максимального значения 255. Если перед датчиком поместить более светлый объект, то датчик даст нам большее число. Если это будет 217, что составляет около 85% от полного диапазона в 255 единиц, это указывает на гораздо более светлый оттенок по отношению к предыдущему темно-серому.

Рис. 2. Аналоговый фотоэлектрический датчик, работающий на отражение, может обеспечить необходимую шкалу измерений уровня отражения света от объекта

А теперь представим, что в виде квадратного или прямоугольного массива (матрицы) могут быть расположены и направлены на объект тысячи крошечных аналоговых фотоэлементов. Это (основываясь на отражательной способности того участка, куда был направлен такой датчик) создаст изображение объекта в черно-белом режиме.

Отдельные точки восприятия на этих изображениях называются «пиксели». Конечно, с практической точки зрения тысячи отдельных (в конструктивном исполнении) крошечных фотоэлектрических датчиков не используются для создания изображения. Вместо этого объектив фокусирует изображение на твердотельную матрицу со светочувствительными элементами. В такой матрице предусмотрены либо устройства с зарядовой связью — ПЗС (charge coupled device, CCD), либо комплементарная матрица на основе кремниевых металл-оксид-полупроводниковых — КМОП (metal-oxide-semiconductor, CMOS) светочувствительных твердотельных устройств. Отдельные датчики в матрице — это и есть пиксели.

Читайте также:  Дают ли отсрочку после коррекции зрения

Серия изображений, представленных на рис. 3, демонстрирует лишь небольшой фрагмент картинки, снятой камерой. Эта область считается «областью интереса» для конкретной инспекции.

Рис. 3. Датчики машинного зрения оборудования создают изображения, используя массивы (матрицы) пикселей

Машинное зрение может использовать и цветочувствительные ячейки-пиксели. Кроме того, в таких системах часто имеются матрицы из пикселей гораздо большего размера. К захваченным изображениям для определения размеров, расположения кромок, перемещения и взаимного расположения компонентов относительно друг друга применяются специальные программные инструменты. На рис. 4 показано изображение, полученное от матрицы технологии ПЗС.

Рис. 4. Изображение было получено с помощью устройства с зарядовой связью размером 640×480. Оно используется при осмотре стеклянных шприцев с пластиковым колпачком, а целью применения является определение того, достаточно ли плотно надет колпачок

Основными четырьмя составляющими системы зрения являются объектив и система освещения (подсветки объекта), датчик изображения или камера, процессор и способ передачи результатов, будь то с помощью физических входов/выходов (I/O) или с помощью других средств коммуникации на основе, как правило, стандартных протоколов и общепринятых интерфейсов.

Объектив захватывает изображение и передает его сенсору в виде световой проекции. Чтобы оптимизировать систему зрения, видеокамера должна иметь соответствующий объектив. Хотя существует много типов объективов, в приложениях машинного зрения для простоты управления обычно используются объективы с фиксированным фокусным расстоянием.

В процессе выбора важно учитывать три определяющих фактора:

  • поле зрения;
  • рабочее расстояние до объекта;
  • размер сенсора (матрицы) камеры.

Для получения изображения, достаточного для его последующей обработки и достижения нужного качества, существует много разных способов передачи к целевому объекту необходимого уровня освещения. Направление, из которого исходит свет, его яркость, цвет или длина волны по сравнению с цветом объекта — все это важные элементы, которые следует учитывать при проектировании системы машинного зрения для конкретной среды применения. В то время как освещение является важной частью получения хорошего изображения, есть и другие моменты, оказывающие влияние на интенсивность отраженного света от объекта.

Так, объектив имеет регулируемый параметр, называемый апертурой, или диафрагмой, а если говорить точнее — это отверстие диафрагмы объектива, которое открывается или закрывается, чтобы позволить большему или меньшему количеству света проникать в объектив. В сочетании с временем экспозиции это определяет количество света на матрице пикселей, прежде чем будет проведен захват изображения объекта. Время срабатывания затвора, или экспозиция (иногда это называют «выдержка»), определяет, как долго изображение накладывается на массив пикселей. В машинном зрении затвор управляется электроникой, а время экспозиции составляет обычно миллисекунды.

После захвата изображения, как уже было сказано, в дело вступают программные инструменты. Некоторые из них применяются до анализа (предварительной обработки), другие используются для определения заданных свойств исследуемого объекта. На этапе предварительной обработки к изображению можно применить эффекты для повышения резкости краев, увеличения контрастности или заполнения пробелов (бликов). Это сделано для улучшения возможностей других программных инструментов, которые вступают в действие позже.

Ниже приведен перечень некоторых распространенных инструментов, которые можно применять для получения информации о целевом объекте:

  • Подсчет пикселей: подсчитывает количество светлых или темных пикселей в объекте.
  • Обнаружение краев (граней): поиск краев (граней) объекта.
  • Измерение размеров: измерение размеров объекта в таких единицах, как пиксели, дюймы или миллиметры.
  • Распознавание образов объектов или сопоставление их с шаблоном: поиск, сопоставление и/или подсчет определенных образцов целевых объектов. Это может включать определение местоположения объектов различного размера.
  • Оптическое распознавание символов (Optical character recognition, OCR): автоматическое считывание текста, такого как, например, серийные номера.
  • Считывание штрихкода, матричного и «двумерного»: сбор данных, содержащихся в различных стандартных штрихкодах.
  • Обнаружение и извлечение blob-объектов: проверка изображения на наличие отдельных областей (blob — буквально «капель») на цифровом изображении, которые отличаются по своим свойствам, таким как яркость или цвет, по сравнению с окружающими областями.
  • Цветовой анализ: идентификация деталей, продуктов и предметов путем использования цвета, а также оценка их качества и выявление особенностей.

Конечной целью сбора данных в системах оценки качества зачастую является их использование для сравнения с целевыми значениями и определения результата «пройден тест или не пройден» или «можно ли пропускать целевой объект дальше». Например, при проверке кода или штрихкода прочитанное значение сравнивается с сохраненным целевым значением, а для измерений полученные данные сравниваются с надлежащим значением и допусками. Для проверки буквенно-цифрового кода текстовое значение OCR сравнивается с правильным или целевым значением. Что касается проверки дефектов, измеренный размер дефекта можно сравнить с максимально допустимыми стандартами качества.

После того как система машинного зрения извлекла информацию, эти сведения с помощью процессора и программных средств могут быть переданы в систему управления посредством целого ряда стандартных промышленных протоколов связи. Обычно системы машинного зрения поддерживают EtherNet/IP, Profinet и Modbus TCP. Также распространены и последовательные протоколы на основе RS-232 и RS-485. Часто в систему для запуска того или иного ответа или простого отчета о результатах встроен цифровой ввод/вывод. Также доступны стандарты связи, специально ориентированные на системы машинного зрения.

Понимание физики и возможностей систем машинного зрения может помочь определить, подходит данное приложение для систем на базе видеокамер или нет. В целом, то, что видит человеческий глаз, — это то, что может видеть и камера (иногда в большем или меньшем приближении), а вот расшифровка и передача информации могут быть уже более сложными процессами. Кроме того, использование надежного поставщика, хорошо осведомленного в системах, освещении и технологиях, может сэкономить много времени и денег и быть полезным не только на текущий момент, но и в долгосрочной перспективе.

источник

Машинное зрение COGNEX: надежные решения для автоматизации и мониторинга логистических и производственных процессов

Продукция компании COGNEX (США) включает считыватели штрихкодов, видеодатчики и системы машинного зрения, используемые на заводах, складах и в распределительных центрах во всем мире для измерения, проверки, идентификации и контроля качества товаров во время производства и распределения.

Видеодатчики Checker способны заменить фотоэлектрические датчики систем обнаружения. Системы In-Sight обладают уникальными по производительности функциями проверки, обнаружения и сортировки деталей. Промышленные считыватели кодов DataMan имеют высочайший уровень считываемости самых сложных, поврежденных кодов в сочетании с конкурентоспособной стоимостью. Решения от COGNEX уникальны тем, что практически не требуют настройки оборудования после установки.

Ввиду технологических преимуществ, реализованных в микропроцессорах датчиков изображения и алгоритмов декодирования, считыватели штрихкодов COGNEX уже зарекомендовали себя на российском рынке как более конкурентоспособные и мощные устройства, чем традиционные лазерные сканеры.

Рис. 1. Считыватель кодов серии DataMan

Используя уникальный принцип обработки изображения, считыватели DataMan (рис. 1) «видят» не только линию, а штрихкод в полном объеме, что позволяет преодолеть многочисленные проблемы, свойственные лазерным сканерам. Мощные алгоритмы декодирования, разработанные COGNEX, 1DMax+для 1D линейных всенаправленных кодов и 2DMax+для 2D-матрицы кодов, составляют интеллект устройств считывания.

В сочетании с преимуществами технологии Hotbars High Performance эти инструменты обеспечивают:

  • уровень считывания около 99,9%;
  • высокую скорость получения и декодирования данных;
  • декодирование любого типа кода (включая испорченный, поврежденный, поцарапанный, мятый и покрытый пластиком);
  • высокий уровень адаптации к среде считывания, в том числе к поверхностям маркировки (этикетки, металл, стекло, пластик или прямая маркировка) и технологиям маркировки.

Специалисты ООО «СЕНСОТЕК», официального дистрибьютора COGNEX на территории РФ, провели тестирование считывателя штрихкодов DataMan серии 303X параллельно с установленным на предприятии заказчика лазерным сканером (таблица). Муляж грузового отправления направлялся по конвейеру со скоростью до 5 м/с для определения частоты автоматического считывания штрихкодов. Тестировались штрихкоды разного способа нанесения и сложности:

  • нанесенные лазерным способом высокой точности;
  • нанесенные типографским способом (экспресс-накладная);
  • нанесенные типографским способом (экспресс-накладная), помещенные под прозрачную бликующую пленку (прозрачный карман).

Результатом тестирования стало 100%-е распознавание штрихкода считывателем кодов COGNEX экспресс-накладной, расположенной в помятом и разрисованном ручкой прозрачном кармане.

Можно говорить о следующих преимуществах DataMan для заказчиков:

  • возможность считывания не только штрихкодов, но и 2D-кодов;
  • один из лучших алгоритмов по распознаванию поврежденных, плохо напечатанных штрихкодов и штрихкодов под пленкой;
  • считывание и распознавание кодов на базе захвата изображения (если код попадает в поле зрения считывателя, он гарантированно будет считан);
  • встроенная подсветка, гарантирующая работу при изменении/ отсутствии освещения;
  • считывание кодов при уменьшении угла установки считывателя к поверхности с кодом (до 10°);
  • отсутствие подвижных частей, влияющих на ресурс работы оборудования;
  • скорость считывания до 45 кадров/с;
  • одновременное считывание до 128 кодов;
  • возможность апгрейда до модификаций для считывания вращающихся штрихкодов и 2D-кодов;
  • настройка считывателя нажатием одной кнопки;
  • наличие встроенных протоколов EtherNet/IP, PROFINET, MC Protocol, Modbus TCP, RS-232;
  • возможность объединения нескольких считывателей в одну систему.

Рис. 2. Последнее поколение стационарных считывателей штрихкодов серий DataMan 150, 260 и 360

В мае 2015 г. компания COGNEX объявила о поступлении в продажу стационарных считывателей идентификационных кодов на основе анализа изображений серий DataMan 150, 260 и 360 (рис. 2).

Характеристики новых приборов:

  • алгоритм 1DMax с технологией Hotbars 2 для высокоскоростного считывания поврежденных и некачественно нанесенных одномерных штрихкодов;
  • алгоритм 2DMax и заявленная на получение патента технология PowerGrid для надежного считывания сложных двумерных кодов, в том числе ранее не читаемых, без видимых внешних границ;
  • освещение и оптика, заменяемые в условиях эксплуатации, без промедления адаптирующиеся к меняющимся производственным условиям и требованиям ситуации;
  • кнопки автоматической подстройки и запуска для простой настройки и использования считывателей без применения ПК.

Новейшая технология PowerGrid имеет алгоритм обнаружения на основе текстуры, в котором используется подход «изнутри наружу» для считывания двумерных матричных кодов или кодов для прямой маркировки деталей (DPM-кодов). Данная технология обеспечивает значительное улучшение степени считывания двумерных штрихкодов в ситуациях, когда геометрическая форма деталей, плохое освещение, помехи, а также погрешности печати или совмещения усложняют захват изображения или всего кода. В отличие от предыдущих решений, PowerGrid позволяет находить и считывать коды даже при серьезном повреждении или полном отсутствии образа поиска или образа синхронизации, а также в нечитаемой зоне.

Устройства серии DataMan 150 с последовательными и USB-интерфейсами и серии DataMan 260 с возможностью связи по Ethernet можно крепить прямо или под прямым углом. Таким образом, они подходят для установки в самом тесном пространстве. Благодаря гибкой конструкции нет необходимости переделки или установки сложных оптических коридоров с зеркалами. Среди улучшений серии DataMan 360 — световое кольцо, представляющее собой 360°-й световой индикатор считывания, и карта Micro SD для резервного копирования данных на уровне системы и удобного ремонта или замены устройства. Модели DataMan 360 также имеют в три раза большую память, чем их предшественники (модели серии 300), что обеспечивает улучшенное промежуточное хранение изображений в буфере и увеличенное хранилище для них.

Новые модели относятся к классу защиты IP65 и являются оптимальным решением для суровых условий эксплуатации, обычно характерных для автомобильной и пищевой промышленности, производства потребительской электротехники и т. п.

Используя машинное зрение COGNEX с целью устранения дефектов по всей линии производства, возможно снизить объем брака, сократить капитальные затраты и повысить уровень удовлетворенности клиентов путем сведения к минимуму отзывов продукции.

Производство бракованной продукции является неприемлемым вариантом для производителей товаров и услуг. В случае недостаточного заполнения упаковки либо заполнения ее с избытком, допуски уровня заполнения становятся достаточно узкими. Бутылки, которые заполнены неправильно или плохо запечатаны, должны быть отбракованы. Датчик определяет дефектные бутылки и оповещает об отказе системы, чтобы удалить дефектную продукцию с конвейера. Датчик также проверяет крышки на предмет их правильного расположения, надлежащего размещения на них защитных колец от несанкционированного вскрытия, соответствующих уровней заполнения и других проблем, которые могут возникнуть в поле видимости или непосредственно под крышками. Поддержка темпов производства и достижение экономической эффективности осуществляются путем устранения дефектных продуктов до того, как они попадут к клиенту.

Кроме того, датчики Checker используются для проверки точного количества бутылок, содержащихся в ящике. Вместо использования негибких датчиков на линиях розлива может применяться всего лишь один датчик Checker для надлежащей проверки всей партии. Замена фотоэлектрических датчиков всего лишь одним датчиком Checker гарантированно позволит компании сэкономить средства.

Способность видеодатчика Checker самостоятельно инициировать отказ системы на линии розлива снижает затраты компаний на оборудование для производственных линий и дополнительные детали, повышает скорость производства и контроль качества продукции.

Читайте также:  С точки зрения аристотеля политика была

Рис. 3. Система In-Sight в действии

В пищевой промышленности проверка оптически распознаваемых символов (OCV) с использованием машинного зрения стала важным инструментом для определения правильности применения читабельного номера партии и сроков годности. С помощью OCR/OCV неисправные продукты идентифицируются и снимаются с производства до того, как попадут в цепочку розничных поставок. Крупные производители продуктов и напитков используют систему технического зрения In-Sight (рис. 3), которая способна обеспечить полное отслеживание продукции в рамках производственного процесса, благодаря чему компании могут избежать дорогостоящих отзывов продуктов и ложного брака, имеющих важное значение при осуществлении поставок для пищевой промышленности в государственном секторе.

Роботы с «глазами» экономят деньги и облегчают производственный процесс. Для ведущего производителя робототехники основным моментом при оснащении роботов «глазами» является их доступность потребителю. Обоснование затрат имеет решающее значение в этом бизнесе, а системы машинного зрения In-Sight стоят намного дешевле по сравнению с традиционными системами технического зрения. Это означает, что с их помощью можно автоматизировать те процессы, которые раньше были недоступными. Например, приложение для извлечения деталей из бункера предлагает ощутимую экономию трудовых затрат, и поэтому большинство приложений в области систем машинного зрения для управления роботизированным оборудованием способствуют окупаемости инвестиций (ROI) менее чем за год.

Путем развертывания систем машинного зрения In-Sight производители лазерных станков для сварки мелких металлических деталей могут устранить необходимость применения устройств зажима и позиционирования. Это означает новый гибкий подход в методах работы в условиях повышенной автоматизации и улучшение качества продукции. Количество отходов уменьшается, а производственные затраты при этом сокращаются.

В сфере автомобилестроения, благодаря использованию систем машинного зрения в каждой машине и на каждом этапе производственного процесса, можно добиться снижения затрат при одновременном повышении качества продукции. Так, например, на линии сборки машин система технического зрения In-Sight может использоваться для проверки роботами компонентов до и после сборки. Обнаружение дефектов осуществляется до увеличения себестоимости деталей, что значительно снижает необходимость в дорогостоящей проверке в конце производственного процесса. На поставщиках автомобильных компонентов лежит огромная ответственность по обеспечению заказчика качественными деталями. Путем внедрения программы прослеживаемости и идентификации с использованием решений In-Sight и DataMan 7500 поставщики могут избежать нормативно-правовых взысканий и дорогостоящих отзывов продукции, количество отходов продукции сокращается, а каждая деталь прослеживается на протяжении всего жизненного цикла.

***
Использование новейших приборов и систем машинного зрения компании COGNEX не только улучшает общую производительность и снижает текущие расходы, но и позволяет избежать дорогостоящих и негативно влияющих на деловую репутацию отзывов продукции.

источник

Цифровизация промышленности сегодня вызывает повышенный интерес. Какие инновации уже есть, что из этого можно выбрать для себя, как сделать интеграцию максимально органично, бесшовно соединив новые технологии с уже используемыми. Автоматизация как отдельного процесса, так и целой цепочки процессов с большей эффективностью заменяет человеческий ресурс на производстве и позволяет вывести его на новый уровень. Осталось понять — с какой стороны и как лучше подойти к Индустрии 4.0 российским предприятиям.

Особенно интересными для промышленности являются решения на базе компьютерного зрения для контроля качества продукта и технологического процесса. Связано это с рядом преимуществ таких систем:

  • 1. Машинное зрение в отличие от человеческого не устает, работает четко в соответствии с заданными настройками 24\7 с одинаковой эффективностью, держит в поле равного внимания больше 3-7 объектов
  • 2. Машинное зрение способно различать дефекты, невидимые человеком: очень мелкие детали, слабоконтрастные контуры, незначительные плоскостные искажения на большой площади листа
  • 3. Машинное зрение способно обрабатывать тысячи изображений в минуту
  • 4. Использование машинного зрения позволяет снижать вероятность выпуска брака до 0,01%, в то время как вероятность этого после контроля глазом — до 20%.

Привычные смарт-камеры решают общие задачи инспекции поверхности. Но испытывают серьезные затруднения, когда нужно работать с геометрией продукта и отличать дефекты на краю изделия от артефактов, возникших в процессе производства. Также не получится использовать сложные алгоритмы для более точной регулировки в случае предустановленных настроек. Поэтому эксперты все больше склоняются к серверной видеоаналитике с гибкими настройками, адаптированными под реально существующие условия и задачи.

На рынке промышленной видеоаналитики есть ряд компаний, которые декларируют о наличии готовых решений для дефектоскопии на базе машинного зрения. Теоретические знания, как оно должно быть устроено, совершенно не гарантируют практическое применение и безболезненную интеграцию. Создать универсальное коробочное решение крайне сложно. Каждый случай индивидуален, задача зависит от конкретного продукта — будь то сложная текстурированная поверхность изделия, двигающаяся на конвейере с высокой скоростью, или фольга-металл, бликующие в камеру освещением и сами создающие помехи в кадре.

В компании ООО «ВидеоМатрикс» рассмотрели один из примеров реальных возможностей современных систем дефектоскопии на базе машинного зрения. Протестировали собственную российскую разработку — программное решение Vmx Dequs (Vmx — сокращенно от названии компании-разработчика — Videomatrix, «ВидеоМатрикс»). Для теста в компании взяли нефтехимическую отрасль — производство синтетического каучука, контроль качества высокотекстурированной поверхности брикета с множеством мелких деталей.

Задача: автоматическое выявление брака в брикетах синтетического каучука через видеоанализ поверхности продукта.

Заявленные требования технического контроля: Размер брикета каучука — 40х60 см. Определять дефекты необходимо размером от 2×2 мм на текстурированной поверхности. Важно корректное обнаружение и классификация дефектов, без ложных срабатываний. Собственные «раковинки» и артефакты, возникающие по краям в результате деформации от пресса или после удаления участков на брикете оператором, не должны маркироваться как брак.

Скорость движения брикета по конвейеру: 0,5 м\сек.

В данном случае скорость движения — до 4 м\с, а значит возможно использовать неспециализированные камеры машинного зрения Hikvision. Если скорость выше, то для минимизации рисков и высокого качества кадра стоит выбирать, например, уже из линейки камер Basler. Для интеграции ПО Vmx Dequs чаще всего достаточно инфраструктуры уже установленных на производстве камер. В частных случаях специалисты «ВидеоМатрикс» проводят аудит и дают рекомендации по необходимому оборудованию.

Освещение: бестеневое освещение.

Схематическое расположение камеры для анализа верхней поверхности брикета:

Над конвейером вертикально размещается камера, по бокам от движущегося по рольгангу брикета размещаются осветители

Так выглядит нормальный брикет каучука.

Сложная текстура поверхности, большое количество линий, вкраплений, рисунок из однотипных элементов усложняет задачу искусственному интеллекту. Из-за такого рисунка невозможно задать эталонное изображение, на которое могла бы ориентироваться система — каждый рисунок поверхности брикета уникален.

На поверхности брикета встречаются дефекты самой различной величины — от очень мелких до крупноразмерных. Поскольку некоторые мелкие дефекты различаются глазом с трудом, приведем примеры изображений из интерфейса Vmx Dequs, где область дефекта выделяется системой дополнительным цветом:

Вот так выглядит мелкий дефект — пятнышко очень маленького размера, не скрылось от «глаза» машинного зрения. С обнаружением среднего и крупного недочёта всё ещё проще.

Иногда дефект бывает множественный — смесь большого количества дефектов разного размера в одном брикете.

В данном случае Vmx Dequs определяет изъяны, ориентируясь на контрастность границ дефекта и на глубину. Вердикт системы однозначный — брак.

У брикетов каучука есть изъяны, появляющиеся в результате оплавления. Границы таких дефектов не всегда достаточно резкие, чтобы увидеть их обычным глазом, что говорить о машинном зрении, работающем с контрастами. Vmx Dequs справился с такими задачами так:

А вот пример срабатывания системы на обнаружение дефекта экстремально низкой прозрачности:

Самая сложно реализуемая задача в данном тесте — определить машинным зрением границы объекта и найти на них дефект, не перепутав его с промышленным артефактом, — пояснили в «ВидеоМатрикс». — Например, рисунок слева — брикет без дефектов с «артефактами» на левом краю от пресса. Справа — брикет после ручного удаления участков, и — что важно — это тоже не является браком! А теперь попробуйте объяснить это искусственному интеллекту: почему выемка куска на краю брикета — это нормально.

Системе был показан брикет с краевым артефактом. Vmx Dequs справился на отлично.

А вот пример целого комплекса деталей: определен боковой край объекта, артефакт не определен как дефект, оплавление на краю брикета определено как брак. Цель достигнута.

Данный тест — наглядный пример того, как машинным зрением автоматизируется контроль качества продукции. Рассмотрев в деталях мелкие дефекты и изъяны очень низкой контрастности, можно с уверенностью сказать, что машинное зрение в работе точно превосходит человеческое по эффективности, заключили в «ВидеоМатрикс». Замена визуального контроля видеоаналитикой — это способ сокращения издержек и повышения эффективности производства одновременно. Отсутствию брака рад клиент, а его благодарность производитель ощущает уже не рекламациями за некачественный товар, а рублем выручки.

Рассмотренный в тесте Vmx Dequs — результат работы российских разработчиков, а значит система доступна российской промышленности в условиях импортозамещающего законодательства.

  • 1. получать изображения с типовых или специализированных линейных и матричных IP-видеокамер по интерфейсам USB, Ethernet, GigE, Camera Link
  • 2. предобрабатывать изображения – устранять геометрические искажения, нормализировать и защищать от помех, синтезировать единую панораму в многокамерном варианте использования
  • 3. обнаруживать контур продукции для контроля в четком соответствии с геометрией объекта
  • 4. контролировать абсолютные и относительные отклонения на продукции, в том числе в сравнении с эталонной поверхностью по яркости, контрасту и цвету элементов по заданным параметрам;
  • 5. сегментировать и фильтровать дефекты в зависимости от их размеров, геометрических свойств, местоположений и статистических характеристик
  • 6. контролировать характеристику поверхности в заданных зонах
  • 7. делать трекинг продукции и дефектов, учитывать историю перемещения, чтобы привязывать результаты расчета к конкретной единице продукции или дефекта
  • 8. контролировать качество как продукта, так и технологического процесса
  • 9. сохранять отчеты, изображения с нарушениями и без, детально визуализировать результаты анализа
  • 10. передавать информацию в MES, будучи интегрированным в автоматизированные системы.

Больше о возможностях систем промышленной видеоаналитики можно узнать на сайте компании.

источник

Машинное зрение — это научное направление в области искусственного интеллекта, в частности робототехники, и связанные с ним технологии получения изображений объектов реального мира, их обработки и использования полученных данных для решения разного рода прикладных задач без участия (полного или частичного) человека.

  • 1955 год – Оливер Селфридж. Статья «Глаза и уши компьютера».
  • 1958 год – Фрэнк Розенблатт. Компьютерная реализация персептрона.
  • 1960-е годы – первые системы обработки изображений.
  • 1970-е годы – Лавренсе Робертс. Концепция машинного построения трёхмерных образов объектов.
  • 1979 год – Ганс-Хельмут Нагель. Теория анализа динамических сцен.
  • 1990-е годы – Первые беспилотные системы управления автотранспортом.
  • 2003 год – Корпоративные системы распознавания лиц.
  • Одна или несколько цифровых или аналоговых камер (черно-белые или цветные) с подходящей оптикой для получения изображений
  • Программное обеспечение для изготовления изображений для обработки. Для аналоговых камер это оцифровщик изображений
  • Процессор (современный ПК c многоядерным процессором или встроенный процессор, например — ЦСП)
  • Программное обеспечение машинного зрения, которое предоставляет инструменты для разработки отдельных приложений программного обеспечения.
  • Оборудование ввода-вывода или каналы связи для доклада о полученных результатах
  • Умная камера: одно устройство, которое включает в себя все вышеперечисленные пункты.
  • Очень специализированные источники света (светодиоды, люминесцентные и галогенные лампы и т. д.)
  • Специфичные приложения программного обеспечения для обработки изображений и обнаружения соответствующих свойств.
  • Датчик для синхронизации частей обнаружения (часто оптический или магнитный датчик) для захвата и обработки изображений.
  • Приводы определенной формы используемые для сортировки или отбрасывания бракованных деталей.

Машинное зрение сосредотачивается на применении, в основном промышленном, например, автономные роботы и системы визуальной проверки и измерений. Это значит, что технологии датчиков изображения и теории управления связаны с обработкой видеоданных для управления роботом и обработка полученных данных в реальном времени осуществляется программно или аппаратно.

Обработка изображений и анализ изображений в основном сосредоточены на работе с 2D изображениями, т.е. как преобразовать одно изображение в другое. Например, попиксельные операции увеличения контрастности, операции по выделению краёв, устранению шумов или геометрические преобразования, такие как вращение изображения. Данные операции предполагают, что обработка/анализ изображения действуют независимо от содержания самих изображений.

Компьютерное зрение сосредотачивается на обработке трехмерных сцен, спроектированных на одно или несколько изображений. Например, восстановлением структуры или другой информации о 3D сцене по одному или нескольким изображениям. Компьютерное зрение часто зависит от более или менее сложных допущений относительно того, что представлено на изображениях.

Также существует область названная визуализация, которая первоначально была связана с процессом создания изображений, но иногда имела дело с обработкой и анализом. Например, рентгенография работает с анализом видеоданных медицинского применения.

Наконец, распознавание образов является областью, которая использует различные методы для получения информации из видеоданных, в основном, основанные на статистическом подходе. Значительная часть этой области посвящена практическому применению этих методов.

Читайте также:  Вещества с точки зрения зонной теории

Таким образом, можно сделать вывод, что понятие «машинное зрение» на сегодняшний день включает в себя: компьютерное зрение, распознавание зрительных образов, анализ и обработка изображений и т.д.

  • Распознавание
  • Идентификация
  • Обнаружение
  • Распознавание текста
  • Восстановление 3D формы по 2D изображениям
  • Оценка движения
  • Восстановление сцены
  • Восстановление изображений
  • Выделение на изображениях структур определенного вида, сегментация изображений
  • Анализ оптического потока

Классическая задача в компьютерном зрении, обработке изображений и машинном зрении это определение содержат ли видеоданные некоторый характерный объект, особенность или активность.

Эта задача может быть достоверно и легко решена человеком, но до сих пор не решена удовлетворительно в компьютерном зрении в общем случае: случайные объекты в случайных ситуациях.

Один или несколько предварительно заданных или изученных объектов или классов объектов могут быть распознаны (обычно вместе с их двухмерным положением на изображении или трехмерным положением в сцене).

Распознается индивидуальный экземпляр объекта принадлежащего к какому-либо классу.
Примеры: идентификация определённого человеческого лица или отпечатка пальцев или автомобиля.

Видеоданные проверяются на наличие определенного условия.

Обнаружение, основанное на относительно простых и быстрых вычислениях иногда используется для нахождения небольших участков в анализируемом изображении, которые затем анализируются с помощью приемов, более требовательных к ресурсам, для получения правильной интерпретации.

Поиск изображений по содержанию: нахождение всех изображений в большом наборе изображений, которые имеют определенное различными путями содержание.

Оценка положения: определение положения или ориентации определенного объекта относительно камеры.

Оптическое распознавание знаков: распознавание символов на изображениях печатного или рукописного текста (обычно для перевода в текстовый формат, наиболее удобный для редактирования или индексации. Например, ASCII).

Восстановление 3D формы по 2D изображениям осуществляется с помощью стереореконструкции карты глубины, реконструкции поля нормалей и карты глубины по закраске полутонового изображения, реконструкции карты глубины по текстуре и определения формы по перемещению

Пример восстановления 3D формы по 2D изображеню

Несколько задач, связанных с оценкой движения, в которых последовательность изображений (видеоданные) обрабатываются для нахождения оценки скорости каждой точки изображения или 3D сцены. Примерами таких задач являются: определение трехмерного движения камеры, слежение, то есть следование за перемещениями объекта (например, машин или людей)

Даны два или больше изображения сцены, или видеоданные. Восстановление сцены имеет задачей воссоздать трехмерную модель сцены. В простейшем случае, моделью может быть набор точек трехмерного пространства. Более сложные методы воспроизводят полную трехмерную модель.

Задача восстановления изображений это удаление шума (шум датчика, размытость движущегося объекта и т.д.).

Наиболее простым подходом к решению этой задачи являются различные типы фильтров, таких как фильтры нижних или средних частот.

Более высокий уровень удаления шумов достигается в ходе первоначального анализа видеоданных на наличие различных структур, таких как линии или границы, а затем управления процессом фильтрации на основе этих данных.

Анализ оптического потока (нахождения перемещения пикселей между двумя изображениями).
Несколько задач, связанных с оценкой движения, в которых последовательность изображений (видеоданные) обрабатываются для нахождения оценки скорости каждой точки изображения или 3D сцены.

Примерами таких задач являются: определение трехмерного движения камеры, слежение, т.е. следование за перемещениями объекта (например, машин или людей).

  • Счетчик пикселей
  • Бинаризация
  • Сегментация
  • Чтение штрих-кодов
  • Оптическое распознавание символов
  • Измерение
  • Обнаружение краев
  • Сопоставление шаблонов

Подсчитывает количество светлых или темных пикселей.
С помощью счетчика пикселей пользователь может выделить на экране прямоугольную область в интересующем месте, например там, где он ожидает увидеть лица проходящих людей. Камера в ответ немедленно даст сведения о количестве пикселей, представленных сторонами прямоугольника.

Счетчик пикселей дает возможность быстро проверить, соответствует ли смонтированная камера нормативным требованиям или требованиям заказчика относительно пиксельного разрешения, например, для лиц людей, входящих в двери, которые контролируются камерой, или в целях распознавания номерных знаков.

Преобразует изображение в серых тонах в бинарное (белые и черные пиксели).
Значения каждого пикселя условно кодируются, как «0» и «1». Значение «0» условно называют задним планом или фоном а «1» — передним планом.

Часто при хранении цифровых бинарных изображений применяется битовая карта, где используют один бит информации для представления одного пикселя.

Также, особенно на ранних этапах развития техники, двумя возможными цветами были чёрный и белый, что не является обязательным.

Используется для поиска и (или) подсчета деталей.

Цель сегментации заключается в упрощении и/или изменении представления изображения, чтобы его было проще и легче анализировать.

Сегментация изображений обычно используется для того, чтобы выделить объекты и границы (линии, кривые, и т. д.) на изображениях. Более точно, сегментация изображений — это процесс присвоения таких меток каждому пикселю изображения, что пиксели с одинаковыми метками имеют общие визуальные характеристики.

Результатом сегментации изображения является множество сегментов, которые вместе покрывают всё изображение, или множество контуров, выделенных из изображения. Все пиксели в сегменте похожи по некоторой характеристике или вычисленному свойству, например, по цвету, яркости или текстуре. Соседние сегменты значительно отличаются по этой характеристике.

Штрих-код — графическая информация, наносимая на поверхность, маркировку или упаковку изделий, представляющая возможность считывания её техническими средствами — последовательность чёрных и белых полос либо других геометрических фигур.
В машинном зрении штрих-коды используют для декодирования 1D и 2D кодов, разработанных для считывания или сканирования машинами.

Оптическое распознавание символов: автоматизированное чтение текста, например, серийных номеров.

Распознавание используется для конвертации книг и документов в электронный вид, для автоматизации систем учёта в бизнесе или для публикации текста на веб-странице.

Оптическое распознавание текста позволяет редактировать текст, осуществлять поиск слов или фраз, хранить его в более компактной форме, демонстрировать или распечатывать материал, не теряя качества, анализировать информацию, а также применять к тексту электронный перевод, форматирование или преобразование в речь.

Использовано компьютерное зрение для неразрушающего контроля качества сверхпроводящих материалов.

Введение. Решение задач обеспечения комплексной безопасности (как антитеррористической и механической безопасности объектов, так и технологической безопасности инженерных систем), в настоящее время, требует системной организации контроля, текущего состояния объектов. Одними из наиболее перспективных способов контроля текущего состояния объектов являются оптические и оптико-электронные методы, основанные на технологиях обработки видеоизображений оптического источника. К ним относятся: программы по работе с изображениями; новейшие способы обработки изображений; оборудования для получения, анализа и обработки изображений, т.е. комплекс средств и методов относящихся к области компьютерного и машинного зрения. Компьютерное зрение — это общий набор методов, позволяющих компьютерам видеть и распознавать трех- или двухмерные объекты, как инженерного направления, так и нет. Для работы с компьютерным зрение требуются цифровые или аналоговые устройства ввода-вывода, а также вычислительные сети и IP анализаторы локаций, предназначенные для контроля производственного процесса и подготовки информации для принятия оперативных решений в кратчайшие сроки.

Постановка проблемы. На сегодняшний день, главной задачей для проектируемых комплексов машинного зрения остаётся обнаружение, распознавание, идентификация и квалификация объектов потенциального риска, находящихся в случайном месте в зоне оперативной ответственности комплекса. Существующие на данный момент программные продукты, направленные на решение перечисленных задач обладают рядом существенных недостатков, а именно: значительная сложность, связанная с высокой детализацией оптических образов; высокая потребляемая мощность и достаточно узкий спектр возможностей. Расширение задач обнаружения объектов потенциального риска, до области поиска случайных объектов в случайных ситуациях, находящихся в случайном месте, имеющимися программными продуктами не возможно, даже с задействованием суперкомпьютера.

Цель. Разработка универсальной программы обработки изображений оптического источника, с возможностью потокового анализа данных, то есть программа должна быть лёгкой и быстрой для того, чтобы её можно было записать на малогабаритное ЭВМ устройство.

  • разработка математической модели программы;
  • написание программы;
  • опробирование программы в условиях лабораторного эксперимента, с полной подготовкой и проведением эксперимента;
  • исследование возможности применения программы в смежных областях деятельности.
  • отсутствием на рынке программного обеспечения программ обработки изображений с выводом подробного анализа инженерных составляющих объектов;
  • постоянно растущими требованиями к качеству и скорости получения визуальной информации, резко повышающими востребованность программ обработки изображений;
  • существующей потребность в программах высокой производительности, надежных и простых с точки зрения пользователя;
  • высокой стоимостью профессиональных программ обработки визуальной информации.
  • отсутствием на рынке программного обеспечения программ обработки изображений с выводом подробного анализа инженерных составляющих объектов;
  • постоянно растущими требованиями к качеству и скорости получения визуальной информации, резко повышающими востребованность программ обработки изображений;
  • существующей потребность в программах высокой производительности, надежных и простых с точки зрения пользователя;
  • существует потребность программ высокой производительности и простого управления, чего добиться в наше время крайне сложно. Для примера я взял Adobe Photoshop. Данный графический редактор обладает гармоничным сочетанием функциональности и простоты использования для рядового пользователя, но в данной программе невозможно работать со сложными инструментами по обработке изображения (например, анализ изображения путём построения математической зависимости (функции) или же интегральной обработкой изображений);
  • высокой стоимостью профессиональных программ обработки визуальной информации. Если программное обеспечение качественно, то цена на него крайне высока, вплоть до отдельных функции того или иного набора программ. На графике ниже представлена зависимость цены/качества простых аналогов программы.

Для упрощения решения задач данного типа, мною была разработана математическая модель и написана программа для ЭВМ устройства по анализу изображения при помощи простейших преобразований исходных изображений.

Программа работает с преобразованиями типа бинаризации, яркости, контраста изображения и т.д. Принцип действия программы продемонстрирован на примере анализа сверхпроводящих материалов.

При создании композиционных сверхпроводников на основе Nb3Sn варьируется объемное соотношение бронзы и ниобия, размер и количество волокон в нем, равномерность их распределения по сечению бронзовой матрицы, наличие диффузионных барьеров и стабилизирующих материалов. При заданной объемной доле ниобия в проводнике увеличение количества волокон приводит, соответственно, к уменьшению их диаметра. Это ведет к заметному возрастанию поверхности взаимодействия Nb / Cu-Sn, что в значительной степени ускоряет процесс нарастания сверхпроводящей фазы. Такое увеличение количества сверхпроводящей фазы при повышении числа волокон в проводнике обеспечивает возрастание критических характеристик сверхпроводника. В связи с этим необходимо наличие инструмента для контроля объемной доли сверхпроводящей фазы в конечном продукте (композиционном сверхпроводнике).

При создании программы учитывалась важность проведения исследований материалов, из которых создаётся сверхпроводящие кабели, так как при неправильном соотношении ниобия к бронзе возможен взрыв проводов, а, следовательно, людские жертвы, денежные затраты и потеря времени. Данная программа позволяет определить качество проводов на основе химическо физического анализа объекта.

Блок-диаграмма программы

Описание этапов исследования.

1 этап. Пробоподготовка: резка композиционного сверхпроводника на электроэрозионном станке; запрессовка образца в пластмассовую матрицу; полировка образца до зеркального состояния; травление образца для выделения волокон ниобия на бронзовой матрице. Получены образцы запрессованных композиционных сверхпроводниковых образцов;

2 этап. Получение изображений: получение металлографических изображений на сканирующем электронном микроскопе.

3 этап. Обработка изображений: создание инструмента для определения объемной доли сверхпроводящей фазы на металлографическом изображении; набор статистически значимых данных на конкретном типе образцов. Созданы математические модели различных инструментов по обработке изображений; создана программная разработка для оценки объемной доли сверхпроводящий фазы; программа была облегчена путём соединения нескольких математических функций в одну; было получено среднее значение объемной доли волокон ниобия в бронзовой матрице 24.7±0,1 %. Низкий процент отклонения свидетельствует о высокой повторяемости структуры композиционного провода.

Электронномикроскопическое изображения композиционных сверхпроводников

Методы обработки изображений в программе.

  • Идентификация — распознается индивидуальный экземпляр объекта, принадлежащего к какому-либо классу.
  • Бинаризация – процесс перевода цветного (или в градациях серого) изображения в двухцветное черно-белое.
  • Сегментация — это процесс разделения цифрового изображения на несколько сегментов (множество пикселей, также называемых суперпикселями).
  • Эрозия – сложный процесс, при выполнении которого структурный элемент проходит по всем пикселам изображения. Если в некоторой позиции каждый единичный пиксел структурного элемента совпадет с единичным пикселом бинарного изображения, то выполняется логическое сложение центрального пиксела структурного элемента с соответствующим пикселом выходного изображения.
  • Дилатация — свертка изображения или выделенной области изображения с некоторым ядром. Ядро может иметь произвольную форму и размер. При этом в ядре выделяется единственная ведущая позиция, которая совмещается с текущим пикселем при вычислении свертки.

Формула бинаризации (метод Оцу):

Формула эрозии:

Формула дилатации:

Схема дилатации и эрозии

Формулы сегментации порогами цвета:

Определение модуля градиента яркости для каждого пикселя изображения:

Вычисление порога:

  • CHMER GX-320L с ЧПУ — станок для электроэрозионной резки образцов
  • SimpliMet 1000 — станок для горячей запрессовки
  • AutoMet 250 Buehler – машина для шлифовки и полировки
  • Axio Scope A1 Carl Zeiss – оптический микроскоп для контроля качества шлифов
  • Hitachi TM-1000 — сканирующий электронный микроскоп для получения металлографических изображений

источник